PENGEMBANGAN SISTEM MONITORING PADA ROBOT UNDERWATER DENGAN MENGGUNAKAN KAMERA WEBCAM
Maulana Maninnori Nawirma
1, Satria Gunawan Zain
21[email protected], [email protected]2 Universitas Negeri Makassar12
Abstract
This study focuses on the underwater robot monitoring system using a webcam camera. the development method used is Research and Development (R&D). In this study, using the Raspberry Pi 3 to process the input data that has been generated by the webcam camera. The algorithm used for object recognition and classification is Convolutional Neural Network (CNN). In this study, using the tensorflow lite framework version 1.14 for the introduction of objects that run on the Raspbian operating system with a dataset of 760 images. Based on the test results, it is known that the developed underwater robot monitoring system has successfully captured video images well and can successfully recognize fish objects using the Convolutional Neural Network (CNN) algorithm. The level of accuracy of the detection system for Molly and Sumatran fish using the realtime Convolutional Neural Network (CNN) algorithm can be assessed as working well. For detection of molly fish it reaches an accuracy of 66.7% while for Sumatran fish it reaches 45.5%.
Keywords: Raspberry pi 3, webcam camera, Convolutional Neural Network (CNN) underwater robot and tensorflow lite
Abstrak
Penelitian ini berfokus pada sistem monitoring robot underwater menggunakan kamera webcam. metode pengembangan yang digunakan adalah Research And Development (R&D). Pada penelitian ini menggunakan Raspberry Pi 3 untuk memproses data masukan yang telah di hasilkan oleh kamera webcam. Algoritma yang digunakan untuk pengenalan dan klasifikasi objek ini adalah Convolutional Neural Network (CNN). Pada penelitian ini menggunakan framework tensorflow lite versi 1.14 untuk pengenalan objek yang berjalan diatas sistem operasi Raspbian dengan dataset sebanyak 760 gambar. Berdasarkan hasil pengujian diketahui bahwa Sistem monitoring robot underwater yang dikembangkan telah berhasil menangkap gambar video dengan baik dan dapat berhasil pengenalan objek ikan menggunakan algoritma Convolutional Neural Network (CNN). Tingkat akurasi dari sistem deteksi ikan molly dan sumatra menggunakan algoritma Convolutional Neural Network (CNN) secara realtime dapat dinilai bekerja dengan baik. Untuk deteksi pada ikan molly mencapai akurasi 66,7 % sedangkan untuk ikan Sumatra mencapai 45,5 % Kata Kunci: Raspberry pi 3, kamera webcam, robot underwater Convolutional Neural Network (CNN) dan tensorflow lite
Received : 11 Nov 20 Accepted : 19 Nov 20 Published : 22 Nov 20
This is an open access article under the CC BY-SA license
1. Pendahuluan
Kegiatan pengamatan bawah laut masih dilakukan dengan cara konvensional, yaitu penyelam terjun langsung ke dalam air untuk melakukan survey dan eksplorasi tanpa bantuan alat apapun, seperti pengamatan terhadap biota laut, terumbu karang, hingga pencarian korban bencana alam atau kapal tenggelam. Tentunya teknologi ROV (Remotely Operated Vehicle) sering kali digunakan untuk menggantikan pekerjaan manusia di bawah laut seperti yang telah dilakukan Made (2014). Dalam penelitiannya merancang robot AMOBA bawah air (Integrated Nderwater Vehicle) dengan berbasis sistem ROV (Remotely Operated Vehicle) yang mampu bernavigasi di bawah air dengan kendali berbasis mikrokontroller dari permukaan air menggunakan kabel dan beberapa aktuator dengan propellernya dari pompa air yang dilengkapi dengan IP Camera yang dapat dikendalikan untuk menampilkan visual bawah air.
Pemanfaatan robot bawah air telah banyak dikembangkan dengan berbagai tujuan, misalnya robot digunakan sebagai alat untuk observasi lingkungan bawah laut, perbaikan atau pemeliharaan pipa minyak atau gas bawah air, penelitian bawah air, dimana area penelitian bidang ini semakin luas dan mendalam.
Sebagai alat observasi, robot dilengkapi kamera yang terpasang pada badan robot dan terhubung dengan kontroler yang bertugas mengirimkan hasil tangkapan kamera ke stasiun pusat (Ayianto, 2016).
Teknologi robot bawah air dapat membantu memaksimalkan hasil eksplorasi dalam bidang kelautan. Robot yang biasa digunakan saat ini merupakan robot bawah air (Underwater Robot) yang merupakan salah satu tipe robot yang aplikasinya ditujukan untuk melakukan kegiatan di dalam air.
Menurut Koli M.abd.H., et al., (2015) Pengendalian Robot bawah air dikelompokkan menjadi dua jenis yaitu AUV (Autonomous Underwater Vehicle) dan ROV (Remotely Operated Vehicle). AUV adalah jenis robot bawah air yang bersifat autonomous/otomatis, robot dapat bergerak dan melakukan kegiatan sendiri, berdasarkan program yang telah di berikan kepada robot, dan dilengkapi dengan berbagai sensor untuk mendapatkan data sesuai dengan program yang ada.
Sedangkan ROV merupakan robot bawah air yang dikendalikan oleh operator dalam pengoperasiannya, dimana dilengkapi dengan perangkat kendali remote control dalam pengoperasiannya.
Pada robot underwater terdapat beberapa masalah yang harus diselesaikan seperti masalah sistem kendali, akusisi data sensor, sistem monitoring,
sistem pengapungan/ballast, sistem ke stabilan dan navigasi. Penelitian tentang sistem kendali telah dilakukan oleh Aldino (2018), Penelitian tersebut bertujuan untuk merancang Sistem pengendali ROV menggunakan kombinasi Joypad dan mikrokontroler Arduino Pro Mini agar menghasilkan intruksi berupa data serial untuk mengendalikan pergerakan dan menjaga keseimbangan ROV. Penelitian tentang sistem akusisi data sensor telah dilakukan oleh Adawiyah (2018), Penelitian tersebut bertujuan untuk merancang sistem akuisisi data yang dipasang menggunakan sensor suhu dan tekanan MS580314BA, serta sensor IMU (Inertial Measurement Unit) MPU6050, sistem ini akan mengambil data suhu, pitch, roll. dengan media transmisi yaitu kabel utp cat6. Penelitian tentang sistem monitoring telah dilakukan oleh Rifa’i (2019), Penelitian tersebut bertujuan untuk merancang robot bawah air sebagai alat bantu eksplorasi bawah air berbasis ROV yang mampu bergerak di bawah air. Supaya robot dapat menampilkan keadaan di dalam air, robot dilengkapi IP camera yang terhubung dengan wifi router. IP camera terletak di bagian depan robot. Robot dikendalikan melalui piranti smartphone android dengan komunikasi wifi. Di atas permukaan air terdapat perangkat yang di dalamnya terdiri router.
Perangkat tersebut terhubung dengan robot menggunakan kabel dengan panjang 5 meter.
Penelitian tentang sistem navigasi telah dilakukan oleh Habu (2018), Penelitian tersebut bertujuan untuk merancang mini ROV menggunakan sistem penggerak dan ballast yang berfungsi untuk bagaimana mini ROV dapat manuver di dalam air dan dapat mengapung menyelam hingga pada dasarnya. Dengan menggunakan metode Hukum Archimedes didapatkan gaya ke atas sebesar 23,575272 N. Penelitian tentang sistem kestabilan telah dilakukan oleh M. Bazaar (2017), Penelitian tersebut bertujuan untuk merancang robot menggunakan EnKF sebagai algoritma penyeimbang atau penstabil robot. Sensor MPU 6050 dapat memberikan pengukuran sudut pitch dan roll yang akurat yaitu ketika sistem keadaan standby nilai pitch 6,7 dan nilai roll 3.6 dan saat dijalankan nilai pitch 12.3 dan nilai roll 0.75. Metode kalman filter dengan nilai pitch 6.17 dan nilai roll 3.1 ketika sistem keadaan standby dan nilai pitch 11.19 dan nilai roll 0.63. Penelitian tentang sistem navigasi telah dilakukan oleh Fauzi (2009), Penelitian tersebut bertujuan untuk merancang sistem kontrol navigasi dengan menggunakan kabel untuk memberikan instruksi pada robot bawah air. Untuk penggerak robot, digunakan baling-baling motor DC sebagai alat
untuk bermanuver. Sedangkan bahan penyusun kerangka robot ter buat dari pipa paralon untuk memanipulasi berat robot.
Banyaknya penelitian yang sudah dilakukan, salah satunya tentang sistem monitoring robot underwater. penelitian yang sudah ada merancang sistem monitoring dengan menggunakan IP Camera yang dihubungkan dengan router. Dengan menggunakan sistem monitoring IP Camera tentunya hanya mampu memantau saja tanpa mampu mendeteksi objek di bawah air
Oleh karena itu, penulis mengembangkan sistem monitoring Robot Underwater menggunakan kamera webcam yang dapat mendeteksi objek dibawah air.
Penelitian yang telah dilakukan sebelumnya oleh Rizky (2013), Aplikasi Sistem Pengamatan Bawah Laut Menggunakan Kamera Webcam. Penelitian tersebut bertujuan untuk mengetahui kamera webcam dalam menghasilkan data yang diambil di bawah laut dengan menggunakan Teknik untuk menerapkan sistem Surveillance Camera di laut. Hasil penelitian ini membuktikan bahwa kamera webcam dapat digunakan di bawah laut dengan ditambah perangkat lainnya yaitu housing kamera, kabel penghubung UTP dan komputer/laptop.
Berdasarkan penelitian yang sudah dilakukan Rizky (2013) Bahwa penggunaan kamera webcam dapat digunakan sebagai sistem monitoring bawah air dan gambar yang dihasilkan terlihat jelas dan baik dalam pengambilan capture. Dengan memanfaatkan Teknologi webcam yang mempunyai fitur video conferencing, internet dating, video messaging, home monitoring, images sharing, video interview, video phone-call yang memiliki kualitas recording 720x640 Pixel dan didalamnya terdapat microphone maupun noise cancellation untuk memfokuskan audio ke speaker yang terletak di depan kamera sehingga noise yang ada tidak mengganggu jalannya konferensi
2. Metode
Jenis penelitian yang digunakan adalah Research Sistem Monitoring yang dibuat dalam penelitian ini yaitu Sistem monitoring pada Robot Underwater menggunakan kamera webcam dan menerapkan sistem object detection tensorflow yang dapat mendeteksi ikan menggunakan kamera yang ditampilkan melalui layar laptop/computer di pasangkan melalui kabel UTP dengan memanfaatkan sebuah Raspberry Pi 3 sebagai pemprosesan citra digital pada sebuah objek. Penelitian ini menerapkan teknologi Surveillance Camera menggunakan sistem deteksi objek tensorflow dengan memanfaatkan
kamera webcam sebagai monitoring pengambil citra/gambar dan mikropon (optional) sebagai pengambil suara/audio untuk merekam klip video dan mentransmisikan gambar secara langsung yang di proses perangkat Raspberry dan ditampilkan oleh sebuah laptop. Secara umum sistem di bangun pada gambar 1
Gambar 1. Desain Pengembangan Sistem Monitoring Webcam
Rangkaian di atas menggambarkan proses sistem kerja perangkat secara keselurusan yang akan dirancang, sistem kamera webcam sebagai sistem pemantauan untuk mendeteksi objek yang dihubungkan melalui port USB, kemudian di proses melalui Raspberry Pi 3 yang sudah di pasangakan Operating System raspbian dan di tampilkan ke sebuah laptop dengan menggunakan aplikasi VNC Viewer yang dihubungkan melalui port LAN melalui kabel UTP serta menyimpan data berupa video melalui rekaman pada kamera webcam.
Laptop berfungsi untuk menampilkan suatu gambar display yang di proses oleh Raspberry Pi 3 kemudian dihubungkan melalui aplikasi VNC Viewer menggunakan kabel UTP.Raspberry sebagai pemprosesan data untuk menjalankan program yang sudah di pasangkan Operating System Raspbian melalui media penyimpanan Memory Card sehingga dapat berfungsi dan menjalankan program seperti layaknya computer.Webcam berupa kamera yang berfungsi sebagai pengambil citra/gambar dan mikropon (optional) sebagai pengambil suara/audio yang diproses oleh Raspberry Pi 3 dengan program yang sudah di tanamkan di dalam Operating Sistem Raspbian
Pengembangan software dalam penelitian terdiri atas pengembangan software Tensorlow Lite. Software Tensorflow Lite dikembangkan pada membuat costum dataset object ikan yang akan berjalan dan dapat
mendeteksi object tersebut. Program tensorflow di instal beserta library di Komputer maupun raspberry pi 3. Pemograman yang digunakan untuk object detection yaitu python dengan menggunakan algoritma Convolutional Neural Network (CNN) yang di instal melalui perangkat keras raspberry pi 3.
Gambar 2. Sistem pendeteksian Tensorflow
Tensorflow merupakan perpustakaan perangkat lunak yang dikembangkan oleh Tim Google Brain dalam organisasi penelitian Mesin Cerdas Google, untuk tujuan melakukan pembelajaran mesin dan penelitian jaringan syaraf dalam. Tensorflow menggabungkan aljabar komputasi teknik pengoptimalan kompilasi, mempermudah penghitungan banyak ekspresi matematis dimana masalahnya adalah waktu yang dibutuhkan untuk melakukan perhitungan.
Convolutional Neural Network adalah salah satu metode machine learning dari pengembangan Multi Layer Perceptron (MLP) yang didesain untuk mengolah data dua dimensi. CNN termasuk dalam jenis Deep Neural Network karena dalamnya tingkat jaringan dan banyak diimplementasikan dalam data citra. CNN memiliki dua metode; yakni klasifikasi menggunakan feedforward dan tahap pembelajaran menggunakan backpropagation.
Pembuatan dataset
Model dataset yang digunakan yaitu ssd_mobilenet_v2_quantized_300x300 _coco telah disediakan oleh tensorflow Model yang dikembangkan oleh Howard et al. (2017) ini merupakan model yang bertujuan mengurangi jumlah operasi yang dikerjakan agar proses ekstrasi fitur lebih cepat dan mengurangi beban perangkat keras.
Objek dari penelitian ini adalah gambar ikan Sumatra garis hitam dan molly black gold yang memiliki masing - masing gambar 380 dengan total 760 gambar berformat JPG.
Tahap pelatihan model adalah tahap utama dimana sebuah model dilatih untuk mempelajari suatu pola yang diharapkan dan menghasilkan suatu pengenalan deteksi objek yang sesuai dengan yang diharapkan dengan tingkat akurasi yang tinggi. Proses training dilakukan menggunakan tools yang di ciptakan oleh Google, Google Colab merupakan sebuah tools yang berbasis cloud dan free dengan environment jupyter dan mendukung hampir semua library yang dibutuhkan dalam lingkungan pengembangan Artificial Intelegence (AI). Google colab dinamakan juga jupyter notebook yang dijalankan secara online dan gratis. Google Colab dapat dijalankan komputer yang memiliki spesifikasi rendah.
Hasil dari proses pelatihan Convolutional Neural Network (CNN) adalah terbentuknya sebuah model yang siap pakai untuk pendetekstian yang akan di gunakan pada raspberry atau dengan kata lain disebut dengan testing. Model yang dimaksudkan pada Tensorflow API adalah berupa file checkpoint hasil training/pelatihan dan data tensor graph yang dimuat pada berkas berekstensi TFlite
Total Loss merupakan grafik total loss yang dihasilkan pada saat melakukan proses training sampai dengan selesai sesuai dengan jumlah iterasi yang dilakukan yaitu sebanyak 200.000 langkah/steps.
Dapat disimpulkan bahwa ratarata nilai loss dari step pertama hingga step terakhir adalah 2.66 hingga 1.31.
Gambar 3. Total Loss Training
Detection Output merupakan hasil akhir / tahap akhir dari deteksi ikan Sumatra dan molly. Untuk melihat dan menguji coba hasil model yang di training maka diperlukan sebuah program untuk memuat dan menjalankan model yang telah dibuat dan
menampilkan hasil gambar yang telah diberikan hasil deteksi berupa kotak hijau dengan nilai persentasenya
Gambar 4. Deteksi Output Pengujian Perangkat
Hasil uji coba dari sebuah model yang telah dilakukan pelatihan atau training akan siap dipakai untuk dilakukan pendeteksian atau testing terhadap keberadaan sebuah ikan molly dan ikan sumatra pada suatu frame gambar dengan ditandainnya sebuah kotak warna hijau beserta dengan persentase akurasinya.
Nilai akurasi pada hasil deteksi didapatkan dari sebuah class yang bernama graph (), class tersebut bertugas untuk mengkomputasi nilai keluaran pada Convolutional Neural Network (CNN) yang merepresentasikan dataflow berupa graph, graph yang dimaksud adalah graph yang sudah di training sebelumnya yang berupa checkpoint pada saat proses training kemudian diekspor ke model tflite. Parameter untuk mengukur tingkat keberhasilan model adalah nilai akurasi. Nilai akurasi model dapat ditentukan dengan melakukan pengujian langsung terhadap objek yang di teliti.
Pada penelitian ini, teknik analisis data yang digunakan adalah deskriptif kuantitatif. Tingkat kesalahan pendeteksian diukur dengan menggunakan nilai presentasi bobot percobaan setiap frame untuk menganalisis tingkat akurasi rancangan alat pendeteksi objek jenis ikan.
𝑃𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝐵𝑜𝑏𝑜𝑡 = ∑ bi
Kesalahan 𝑛=30
𝑖=1
𝑥 100% (1) 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 100
Presentasi Bobot− (2)
Keterangan : i = Percoban
n = Total Percobaan
Data yang dianalisis adalah data yang diperoleh dari hasil pengukuran deteksi ikan menggunakan algoritma Convolutional Neural Network (CNN) dan data akan dideskripsikan secara kuantitatif. Data-data yang dianalisis disajikan dalam bentuk tabel.
Pengukuran system berdasarkan nilai pada tabel kemampuan sistem untuk mendeteksi jenis ikan dimana sistem monitoring ini akan mengukur tingkat keberhasilan deteksi yang dilakukan secara live streaming menggunakan kamera webcam dengan membaca suatu citra objek pada saat di bawah air 3. Hasil dan Pembahasan
a. Pengujian Housing Waterproof
Hasil uji coba kedap air kamera dilakukan dengan berbagai tahap, tahap pertama yaitu dengan ketahanan 5 menit sampai tahap ke- enam yaitu ketahanan 2 Jam. Hasil uji coba ketahanan waterproof dalam akuarium.
Gambar 5. Housing Waterproof
Data hasil uji coba kedap air menunjukkan bahwa kamera yang telah dimodifikasi dengan memberikan Housing Waterproof dapat digunakan dalam proses pengambilan gambar dengan ketahan hingga 2 Jam tanpa adanya air yang masuk ke dalam Housing Waterproof kamera. Pada saat pengambilang gambar pada dalam air masih sangat terlihat jelas. Housing kamera telah dilapisi dengan lem Poxy dan lem silicon sehingga air tidak akan masuk mengenai kamera webcam di dalam Housing Wateproof tersebut.
b. Pengujian Deteksi ikan
Hasil uji coba dari sebuah model yang telah dilakukan pelatihan atau training akan siap dipakai untuk dilakukan pendeteksian atau testing terhadap
keberadaan sebuah ikan molly dan ikan sumatra pada suatu frame gambar dengan ditandainnya sebuah kotak warna hijau beserta dengan persentase akurasinya.
Nilai akurasi pada hasil deteksi didapatkan dari sebuah class yang bernama graph (), class tersebut bertugas untuk mengkomputasi nilai keluaran pada Convolutional Neural Network (CNN) yang merepresentasikan dataflow berupa graph, graph yang dimaksud adalah graph yang sudah di training sebelumnya yang berupa checkpoint pada saat proses training kemudian diekspor ke model tflite. Parameter untuk mengukur tingkat keberhasilan model adalah nilai akurasi. Nilai akurasi model dapat ditentukan dengan melakukan pengujian langsung terhadap objek yang di teliti.
1. Hasil deteksi ikan menggunakan Webcam Pengujian dilakukan dengan menguji langsung kamera ke dalam akuarium yang sudah berisikan ikan molly dan ikan Sumatra, dengan menjalankan sebuah program python pada Raspberry Pi 3 yang dilengkapi sebuah model dataset yang telah dibuat sebelumnya.
Dalam proses deteksi beberapa nilai pendukung ditampilkan untuk memperkuat hasil deteksi. Nilai yang ditampilkan dalam program deteksi berupa kotak box deteksi, nama objek, tingkat akurasi, Frame Per Second (FPS) dan nilai RGB.
Gambar 6. Deteksi ikan Molly
Gambar 7. Deteksi ikan Sumatra Pengujian deteksi ikan molly telah dilakukan pada beberapa frame yang dijelaskan pada tabel dibawah ini :
Tabel 1. Kemampuan Sistem mendeteksi ikan molly
No Frame Kecepatan
FPS
Jumlah Objek ikan Mollly
Jumlah terdeteksi
Kesalahan
1 Frame ke 1
0.41 0 0 0
2 Frame ke 2
0.42 0 0 0
3 Frame ke 3
0.41 0 0 0
4 Frame ke 4
0.41 0 0 0
5 Frame ke 5
0.39 0 0 0
6 Frame ke 6
0.39 2 2 0
7 Frame ke 7
0.39 2 2 0
8 Frame ke 8
0.41 0 0 0
9 Frame ke 9
0.41 1 1 0
10 Frame ke 10
0.40 1 0 1
11 Frame ke 11
0.43 1 0 1
12 Frame ke 12
0.41 0 0 0
13 Frame ke 13
0.39 0 0 0
14 Frame ke 14
0.41 0 0 0
15 Frame ke 15
0.41 0 0 0
16 Frame ke 16
0.41 1 0 1
17 Frame ke 17
0.41 2 0 2
18 Frame ke 18
0.40 1 0 1
19 Frame ke 19
0.41 0 0 0
20 Frame ke 20
0.40 1 0 1
21 Frame ke 21
0.40 1 0 1
22 Frame ke 22
0.41 0 0 0
23 Frame ke 23
0.40 1 0 1
24 Frame ke 24
0.39 0 0 0
25 Frame ke 25
0.42 0 0 0
26 Frame ke 26
0.41 0 0 0
27 Frame ke 27
0.39 0 0 0
28 Frame ke 28
0.39 1 0 1
29 Frame ke 29
0.41 0 0 0
30 Frame ke 30
0.41 1 0 1
Tabel 2. Kemampuan Sistem mendeteksi ikan Sumatra
No Frame Kecepatan
FPS
Jumlah Objek ikan Sumatra
Jumlah terdeteksi
Kesalahan
1 Frame ke 1
0.40 2 0 2
2 Frame ke 2
0.40 1 0 1
3 Frame ke 3
0.40 1 0 1
4 Frame ke 4
0.41 1 1 0
5 Frame ke 5
0.40 1 1 0
6 Frame ke 6
0.42 1 0 1
7 Frame ke 7
0.42 0 0 0
8 Frame ke 8
0.40 0 0 0
9 Frame ke 9
0.41 0 0 0
10 Frame ke 10
0.42 0 0 0
11 Frame ke 11
0.42 0 0 0
12 Frame ke 12
0.41 0 0 0
13 Frame ke 13
0.41 0 0 0
14 Frame ke 14
0.40 0 0 0
15 Frame ke 15
0.41 1 0 1
16 Frame ke 16
0.41 0 0 0
17 Frame ke 17
0.41 1 0 1
18 Frame ke 18
0.41 1 0 1
19 Frame ke 19
0.41 1 0 1
20 Frame ke 20
0.40 2 0 2
21 Frame ke 21
0.40 2 0 2
22 Frame ke 22
0.41 1 1 0
23 Frame ke 23
0.41 1 0 1
24 Frame ke 24
0.41 1 0 1
25 Frame ke 25
0.41 1 0 1
26 Frame ke 26
0.41 1 1 0
27 Frame ke 27
0.41 1 1 0
28 Frame ke 28
0.41 0 0 0
29 Frame ke 29
0.41 1 0 1
30 Frame ke 30
0.40 1 0 1
Pengujian dilakukan sebanyak 6 kali percobaan menjalankan sebuah program python pada Raspberry Pi 3 secara live streaming melalui kamera webcam.
Dalam proses deteksi beberapa nilai pendukung ditampilkan untuk memperkuat hasil deteksi. Nilai yang ditampilkan dalam program deteksi berupa kotak box deteksi, nama objek, tingkat akurasi, Frame Per Second (FPS) dan nilai RGB. Pengambilan data dilakukan dengan mengambil sebuah 1 sampel percobaan yang akan di amati secara langsung oleh peneliti, sehingga peneliti dapat memperoleh hasil kesimpulan. Tingkat akurasi deteksi sistem yang di dapatkan berdasarkan data pada tabel 1 dan 2 dijelaskan pada tabel dibawah ini
Tabel 3. Deteksi tingkat akurasi sistem pada ikan molly
Tingkat akurasi deteksi sistem
Tingkat kesalahan deteksi sistem
66,7 % 33,3 %
Tabel 4. Deteksi tingkat akurasi sistem pada ikan Sumatra
Berdasarkan pengujian percobaan yang telah dilakukan, maka di peroleh sebuah tabel 3 yang tingkat akurasi sistem deteksinya mencapai 66,7 %, Hal ini menunjukan bahwa sistem ini dapat bekerja dengan baik dan mampu mengenali objek ikan molly Sedangkan Berdasarkan pengujian percobaan ikan sumatra yang telah dilakukan, maka di peroleh sebuah tabel 4 yang tingkat akurasi sistem deteksinya mencapai 45,5 %, di bandingkan deteksi ikan molly, deteksi ikan Sumatra ini, nilai akurasi sistemnya lebih rendah. di sebabkan karena masih kurangnya objek gambar yang di masukkan ke dalam datasetnya dan perlu ditambahkan hingga beberapa objek gambar lagi. Namun Hal ini menunjukan bahwa sistem ini dapat bekerja dengan baik dan mampu mengenali objek ikan Sumatra, walaupun deteksi objeknya dilakukan di bawah air.
2. Hasil Deteksi ikan menggunakan Video Pengujian dilakukan dengan menguji menggunakan video ikan molly dan ikan Sumatra yang sudah direkam sebelumnya melalui kamera webcam, dengan menjalankan sebuah program python pada Raspberry Pi 3. Dalam proses deteksi yang ditampilkan deteksi berupa kotak box deteksi, nama objek, tingkat akurasi, dan nilai RGB. Berikut ini adalah hasil deteksi ikan molly dan ikan sumatra menggunakan video:
Gambar 8. Deteksi ikan molly menggunakan video
Gambar 9. Deteksi ikan sumatra menggunakan video Berdasarkan pada Gambar 8 dan 9 diperoleh hasil akurasi kesamaan pada dataset berkisar 87% pada ikan molly dan 82% pada ikan sumatra. Hasil deteksi ikan molly dan ikan sumatra pada video menghasilkan nilai akurasi kesamaan yang cukup tinggi. Hasil deteksi yang didapatkan pada video memberikan hasil akurasi yang berbeda-beda pada saat objek yang dideteksi berpindah posisi.
3. Hasil Deteksi ikan menggunakan Gambar Pengujian dilakukan dengan menguji menggunakan gambar ikan molly dan ikan Sumatra yang berformat JPG, dengan menjalankan sebuah program python pada Raspberry Pi 3. Dalam proses deteksi yang ditampilkan kotak box deteksi, nama objek, tingkat akurasi, dan nilai RGB. Berikut ini merupakan hasil deteksi pada sebuah gambar yang memiliki dua objek baik itu ikan molly maupun ikan sumatra pada satu frame gambar. Hasil deteksi pada kedua gambar tersebut menghasilkan nilai akurasi kesamaan pada dataset yang cukup tinggi.
Gambar 10. Hasil deteksi objek ikan pada gambar Berdasarkan Gambar 4.54 diperoleh hasil akurasi kesamaan pada dataset sebesar 97% pada ikan molly dan 96% pada ikan sumatra Hasil deteksi pada frame gambar diatas dengan dua objek ikan molly dan ikan sumatra menghasilkan akurasi yang berbeda-beda.
Tingkat akurasi deteksi sistem
Tingkat kesalahan deteksi sistem
45,5 % 54,5 %
4. Kesimpulan dan Saran
1. Sistem monitoring robot underwater yang dikembangkan telah berhasil menangkap gambar video dengan baik dan dapat berhasil mengenali objek ikan menggunakan algoritma Convolutional Neural Network (CNN)
2. Tingkat akurasi dari sistem deteksi ikan molly dan sumatra menggunakan algoritma Convolutional Neural Network (CNN) secara realtime dapat dinilai bekerja dengan baik. Untuk deteksi pada ikan molly mencapai akurasi 66,7 % sedangkan untuk ikan Sumatra mencapai 45,5 %
3. Untuk meningkatkan akurasi dari algoritma Convolutional Neural Network (CNN) peneliti berikutnya dapat mempertimbangkan bebrapa variable seperti memperkaya dataset, mengambil dataset dari objek lingkungan sebernarnya.
4. Menggunakan spesifikasi perangkat yang lebih tinggi, yaitu menggunakan komputer dengan Random Access Memory (RAM) yang tinggi dan menggunakan Graphics Processing Unit (GPU) untuk mempercepat proses training dan Frame Per Second (FPS).
Daftar Pustaka
[1] Adawiyah, Gusti Robiatul, “The Desimgn And Implementation Of Acquisition Data And Telemetry System In Remotely Operated Vehicle (Rov) Based On Raspberry Pi 2,” n.d., 50, 2018.
[2] Aldino, Yogi, Sri Ratna Sulistiyanti, and Muhamad Komarudin. “Rancang Bangun Perangkat Kendali ROV Berbasis Joypad dan Aplikasi Pemantauan Kondisi Bawah Air Berbasis Video Streaming.” Electrician 12, no. 3
(September 4, 2018): 97.
https://doi.org/10.23960/elc.v12n3.2091.
[3] Ayianto, Tiyo, and Son Kuswadi. “Desain dan Implementasi Sistem Remotely Operated Vehicle (ROV) Pada Robot iSRo,” n.d., 6, 2016.
[4] Fauzi, Muhammad Nurul. “Navigation System On The Underwater Robot Without Crew,” n.d., 91, 2009.
[5] Habu, Yudittiadi, Ahmad P Sardju, and Iis Hamsir Ayub Wahab. “Sistem Penggerak dan Ballast
Pada ROV (Remotely Operated Vehicles),” n.d., 5, 2018.
[6] Koli, M.A.H. Rancang Bangun Robot Bawah Air Mini ROV (Remotely Operated Vehicles) Berbasis Mikrokontroler ATMega16. J. Tek.
Elektro Univ. Tanjungpura 2, 2015.
[7] Made Santoso Gitakarma, Ketut Udi Ariawan, Nyoman Arya Wigraha, Alat bantu survey bawah air mengunakan amoba, robot berbasis ROV, Vol.3 No.2, 2014.
[8] M. Bazaar Iqbal, “Analisis Sensor Mpu 6050 Untuk Kestabilan Posisi Pada Rancang Bangun Robot Rov (Remotely Operated Vehicle) Menggunakan Metode Kalman Filter,” Skripsi.
Jurusan Teknik elektro, Politeknik Negeri Sriwijaya, 2017.
[9] Muhamad, Reza, Titin Yulianti, Sri Ratna Sulistiyanti, Sri Purwiyanti, and F X Arinto Setyawan. n.d. “Deteksi Objek Bergerak Pada Video Bawah Air Menggunakan Metode Frame Differencing,” 6, 2019.
[10] Rifa’I, Rizwan. n.d. “Rancang Bangun Prototype Underwater Robot Sebagai Alat Bantu Eksplorasi Bawah Air Naskah Publikasi Tugas Akhir,” 12, 2019.
[11] Rizki, Ilham. “Pengembangan Prototipe Remotely Operated Vehicle,” n.d., 68, 2013.
[12] Shukla, N., & Fricklas, K, “Machine learning with tensorflow. New York:Manning Publications”
2018.
[13] Wahyuni, Elvira Sukma, and Muhammad Hendri,
“Smoke and Fire Detection Base on Convolutional Neural Network.” ELKOMIKA:
Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika 7 (3):
455.2019,https://doi.org/10.26760/elkomika.v7i3 .455.
